今天选择两篇过去七天的原创内容:2026 年 11 月 10 日的 Google DeepMind 技术报告与 11 月 4 日的 Thoughtworks 工程方法论。前者回答「多代理写出的海量证明怎样不依赖模型的自我保证」,后者回答「当多个团队都开始用 Agent,怎样保证它们理解同一套目标与完成条件」。二者的共同切入点是可审查的规格与独立的工程约束,但证据类型不同:一篇提供可供复核的形式化成果,另一篇提供实践归纳而非受控实验。

1. AlphaProof Code: Verifying Signal’s Security at the Machine-Code Level

推荐理由: 这不是「让模型生成一段验证代码」的演示。团队把未经修改的 Rust 密码协议实现用标准编译器编成 AArch64 代码,对批准后的安全规格生成并机器检查大规模证明。论文细化了多代理角色、共享代码冲突处理、规格审批、可信计算基和验证器边界;对 Compiler / GPU Toolchain 工程师尤其值得看的是从源码到机器语义的证明链如何避免把编译后的执行行为想当然地等同于源代码。

3 条核心要点:

  1. 验证跨过源代码与抽象协议的界限,但有明确覆盖范围。 研究将 libsignal / spqr 的未修改 Rust 代码编译为 AArch64 Linux 可执行程序,在 Lean 的机器语义中证明 PQXDH 握手与 Triple Ratchet 的关键性质,包括前向保密、认证、失陷后安全等。它验证的是特定机器语义、执行模型和外部加密原语契约下的性质,不是整个 Signal App、所有平台和所有部署配置已被证明安全。
  2. 证明可以高度并行,规格却必须保持受控。 团队产出约 650 万行 Lean 证明,建立在约 2.6 万行可信规格及 AArch64 语义之上。论文披露典型证明团队有 40–80 个代理,通过 Orchestrator、Team Lead、Proof Worker、Architect 和 Integrator 分工;同一文件同时仅由一个 Worker 编辑,只有 Integrator 提交。人类审核规格,Agent 只能提出带证据的修正规格建议,不能为了证明通过而自行改写验收目标。
  3. 用与生成者分离的机器检查器防止“证明成功”的假象。 Gatekeeper 要求 Lean Kernel 检查证明,并核对证明的命题恰好对应预先保留的批准规格;模型输出本身不被信任。研究还把两个历史上已修复的真实漏洞重新引入隔离版本,验证相应安全定理在有缺陷的二进制上不成立。可信边界仍包括规格正确性、Lean Kernel、AArch64 语义及部分外部函数/密码原语假设;其单线程、静态链接的模型也不能直接覆盖所有程序行为。

核心启示: Human-reviewed Spec → Unmodified Source → Compiler / Machine Semantics → Parallel Proof Agents → Independent Lean Check。把 Agent 的大规模输出变成可复核成果,关键不是再安排一个模型说「通过」,而是由独立、范围清晰的检查器验证不可随意修改的规格。

推荐理由: 单个工程师能靠隐性知识让 Coding Agent 完成任务,但当项目与团队增加,约束不一致、审查排队、Token 账单和工具权限就成为新的瓶颈。Chris Ford 依据 Thoughtworks 的 Technology Radar 与工程观察,给出一套有取舍的组织方法:从共享上下文、任务验收到 Harness 归属,把 Agent 能力做成有负责人和服务承诺的平台。这属于观点和实践总结,不应当被读成有量化对照的生产率研究。

3 条核心要点:

  1. 首先规模化的是共同理解,而不只是上下文窗口。 不同团队必须共享「什么算完成」、哪些约定具有强制性、哪个数据源可信。文章主张把 Context 当作有 Owner 的资产,使用 Progressive Context Disclosure 按需提供信息,并借助 OpenSpec、提前追问需求等方法将评审前移到 Spec;每个领域维护统一验收定义和 Eval,防止 Agent 各自理解一套任务。
  2. 评价单位从 Token 和代码产量转到完成任务的全成本。 在多模型 Router / Gateway 中管理预算、延迟和策略,考察 Cost per Completed Task 而非孤立 Token 单价;审查端用风险分层、Review WIP 上限、Cycle Time 与返工率衡量真实吞吐。大量生成代码不代表相同程度的有效交付,匆忙点过 PR 更不等于完成审查。
  3. Harness 应成为可运营的平台产品。 Context Assembly、Eval、Sandbox、Identity、权限、费用与可观察性不能长期分散为各团队的临时脚本。作者建议为共享 Harness 指定平台 Owner、Golden Path、SLO 和弃用策略;将 Agent 的权限、工具、依赖和 CI 纳入威胁建模。把这些能力当作平台维护,才能使多个团队在不重新发明安全与验收机制的情况下复用。

核心启示: Shared Context / Definition of Done → Versioned Harness → Task Execution → Risk-tiered Review → Outcome + Cost Measurement。软件工厂的组织瓶颈不是模型不够快,而是团队没有共同规格、没有可靠验收,或没有人负责 Agent 运行环境。

今日思考

这两篇文章讨论同一条工程主线的两个尺度:

  • 单项任务的可信度: AlphaProof Code 将人类认可的安全命题冻结,由大量 Agent 并行构造证明,却只信任 Lean Kernel 对固定命题的检查结果。
  • 跨团队的可扩展性: Thoughtworks 要求团队在任务启动前约定上下文、验收集、权限和成本边界,并明确谁负责持续运营 Harness。

一个有用的抽象是:

Shared Intent / Spec → Controlled Agent Harness → Executable Artifacts → Independent Validation → Human Ownership

还值得追问:当验证器本身包含模型、编译器语义或外部库假设时,哪些对象被证明了,哪些仍属于 Trusted Computing Base?当多团队共享 Harness 时,谁维护 Spec、Eval 和版本兼容性? 这两个边界决定了「Agent 完成」的声明能否成为可以被他人信赖的工程结论。